R3MV:一种新的可靠系统架构用于皮肤癌分类,使用渐进的异质多块模型

科学领域:

• 皮肤病学 皮肤病学
• 计算机科学 计算机科学
• 医疗成像医学成像

背景情况:

• 深度学习模型增强了医疗图像分类,特别是用于皮肤病变识别.
• 单个深度学习模型通常由于数据集的变化而产生不可靠的预测,从而限制了临床适用性.

研究的目的:

• 引入一种新的卷积神经网络 (CNN),PHMBCNN,具有渐进式学习策略,以提高皮肤病变分类的准确性.
• 提出一个三层决策融合系统,R3MV,整合多个CNN预测以提高可靠性.

主要方法:

• 开发了PHMBCNN,一个CNN结合了Gated Recurrent Unit (GRU) 以提高性能 (PHMBCNN-GRU).
• 实施了R3MV决策融合系统,结合了个人CNN预测,特征融合,以及具有多数投票的元分类器.
• 在两个皮肤癌数据集上验证了模型:PAD_UFES_20和HAM10000.

主要成果:

• 通过PHMBCNN-GRU模型,PAD_UFES_20的分类精度提高到80.69% (从75.70%) 和HAM10000的分类精度提高到96.01% (从92.07%).
• 而R3MV系统的精度更高,在PAD_UFES_20上达到81.78%,在HAM10000上达到99.3%.
• 通过其多层决策融合方法,R3MV系统表现出卓越的可靠性.

结论:

• 拟议的PHMBCNN和R3MV系统显著提高了基于深度学习的皮肤病变分类的准确性和可靠性.
• R3MV系统的分层融合策略有效地减轻了单个模型的不可靠性,为临床应用提供了强大的解决方案.
• 这项研究在皮肤病学中推进了人工智能,为从医学图像中识别皮肤病变提供了更可靠的工具.